MétaCan
Menu
Retour à la cohorte
Enregistrement W2781568038 · doi:10.1007/s00268-017-4436-2

Consensus on Training and Implementation of Enhanced Recovery After Surgery: A Delphi Study

2018· article· en· W2781568038 sur OpenAlexaff
Nader Francis, T. Walker, Fiona Carter, Martin Hübner, Angela Balfour, Dorthe Hjort Jakobsen, Jennie Burch, Tracy Wasylak, Nicolas Demartines, Dileep N. Lobo, Valérie Addor, Olle Ljungqvist

Notice bibliographique

RevueWorld Journal of Surgery · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueEnhanced Recovery After Surgery
Établissements canadiensAlberta HealthUniversity of CalgaryAlberta Health Services
Organismes subventionnairesMedical Research Council
Mots-clésMedicineMedical educationCurriculumFacilitatorExcellenceModalitiesAuditTraining (meteorology)Multidisciplinary approachDelphi methodPsychologyComputer scienceManagementPedagogyPolitical science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Enhanced Recovery After Surgery (ERAS) is widely accepted in current surgical practice due to its positive impact on patient outcomes. The successful implementation of ERAS is challenging and compliance with protocols varies widely. Continual staff education is essential for successful ERAS programmes. Teaching modalities exist, but there remains no agreement regarding the optimal training curriculum or how its effectiveness is assessed. We aimed to draw consensus from an expert panel regarding the successful training and implementation of ERAS. METHODS: A modified Delphi technique was used; three rounds of questionnaires were sent to 58 selected international experts from 11 countries across multiple ERAS specialities and multidisciplinary teams (MDT) between January 2016 and February 2017. We interrogated opinion regarding four topics: (1) the components of a training curriculum and the structure of training courses; (2) the optimal framework for successful implementation and audit of ERAS including a guide for data collection; (3) a framework to assess the effectiveness of training; (4) criteria to define ERAS training centres of excellence. RESULTS: An ERAS training course must cover the evidence-based principles of ERAS with team-oriented training. Successful implementation requires strong leadership, an ERAS facilitator and an effective MDT. Effectiveness of training can be measured by improved compliance. A training centre of excellence should show a willingness to teach and demonstrable team working. CONCLUSIONS: We propose an international expert consensus providing an ERAS training curriculum, a framework for successful implementation, methods for assessing effectiveness of training and a definition of ERAS training centres of excellence.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,196
score de la tête « metaresearch » (Gemma)0,205
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,196
Score d'incertitude au seuil0,991

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1960,205
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0050,003
Études des sciences et des technologies0,0050,005
Communication savante0,0030,005
Science ouverte0,0030,013
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,051
Tête enseignante GPT0,327
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations84
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWorld Journal of SurgeryMême sujetEnhanced Recovery After SurgeryTravaux en français237 207